基于Vgg+Unet模型在线性工程扰动图斑的应用研究

文章以在线性工程扰动图斑的应用为背景,以Vgg+Unet模型为基础展开了深入而全面的研究。探索了该模型在处理复杂工程扰动图斑时的性能和适用性,实验结果清晰显示,在不同程度的扰动下,Vgg+Unet模型展现出卓越的性能,特别是在复杂环境下对细节的出色捕捉能力。文章通过翔实的实验设计、精湛的数据分析及多角度的性能评估为深度学习在工程视觉任务中的应用提供了深刻而全面的见解,凸显了Vgg+Unet模型在处理工程扰动图斑方面的强大潜力。

基于VGG-UNet的食用菌菌丝体表型参数自动测量方法

食用菌菌丝体表型特征是食用菌种质资源评价和科学育种的重要依据。针对传统阈值分割方法提取菌丝体区域易受到光照不均、菌丝体不规则生长和培养皿内产生代谢物等因素干扰的问题,制作食用菌菌丝体图像数据集,并提出一种基于深度学习的食用菌菌丝体表型参数自动测量方法。将U-Net网络编码器部分替换为VGG16的前13个卷积层,引入预训练权重,构建适用于菌丝体分割的VGG-UNet模型。测试集上对比实验表明,该模型的平均交并比达到98.18%,比原始U-Net模型高0.93个百分点。经该模型获取菌丝体分割图像后,利用OpenCV相关函数计算菌丝体的半径、周长、面积、覆盖度、圆整度这5个表型参数。将人工测量方法与本文方法进行线性回归分析,得出菌丝体半径、周长、面积和覆盖度的决定系数分别为0.979 5、0.991 5、0.975 0和0.975 0,均方根误差分别为2.20 mm、4.73 mm、176.74 mm^(2)和3.16%。经测试,本文方法能准确地完成食用菌菌丝体表型参数自动测量任务,为食用菌表型分析研究提供理论基础。

基于改进UNet模型的油茶果振动采摘点定位方法

针对非花果同期油茶果采收效率低这一问题,提出一种侧枝振动采摘点定位方法,通过振动侧枝降低树木损伤并实现高效采收。首先构建数据集,对侧枝分段标注,向UNet中添加CloFormer注意力机制并命名为Clo-UNet,实现侧枝的二维重构。其次,在Clo-UNet基础上进一步设计采摘点定位方法并命名为Clo-UNet-Point,该方法优先选择采收离果实最远且最粗的枝条。试验表明,Clo-UNet在验证集上表现优异,其中br_con(连果枝)、danger(危险区)和br_pro(优先采收区域)的平均交并比mIoU分别达到85.36%、86.37%和81.29%,平均像素精度mPA分别达到94.97%、96.17%和89.48%,Clo-UNet在整个数据集上的mIoU和mPA分别比UNet高5.14、6.85个百分点。通过观察验证集647幅图像,Clo-UNet-Point算法在不同光照条件下均能定位到采摘点,平均检测一张图像用时0.15 s。该研究可为未来非花果同期类油茶果的自动化振动采收奠定理论基础。

基于UNet模型燃气管道高后果区分割方法研究

为提升燃气管道设施监测和事故应急响应中的高后果区图像分割精准度和可靠性,通过改进UNet模型结构,使用优化后的Inception Block模块、通道注意力和空间注意力机制的方法,提升模型捕捉关键特征的能力,并引入高斯噪声增强模型鲁棒性,采用保留最佳参数策略得到最优训练参数。然后对SE UNet、UNet++、原始UNet以及改进后UNet模型在航拍图像数据集上的分割效果进行对比和分析。研究结果表明:相对SE UNet、UNet++和原始UNet,改进后UNet模型在分割效果上表现更佳,综合性能优于其他模型。同时,改进后UNet模型提高了分割准确性,降低了误检和漏检风险。研究结果可为燃气管道设施的安全运行和维护提供有力支持。

基于UNet与ResUNet++模型的宫颈癌放射治疗危及器官自动分割效果对比

目的对比基于UNet与ResUNet++模型的宫颈癌放射治疗危及器官自动分割效果。方法在PyTorch平台搭建UNet与ResUNet++模型。将2023年6月至2024年2月于医院行放射治疗的232例宫颈癌患者的治疗计划作为研究对象,其中194例计划用于模型的训练和验证,38例计划用于测试。危及器官包括肝、膀胱、直肠、脊髓、肾、股骨、股骨头。使用3D-戴斯相似性系数(3D-DSC)及95%豪斯多夫距离(HD95%)评估2种模型的分割结果。结果UNet模型分割结果显示,直肠的3D-DSC较低,为0.847(0.809,0.868),其他危及器官的3D-DSC均较高,位于0.938(0.929,0.945)至0.978(0.975,0.979)范围内;肝和膀胱的HD95%较高,分别为11.449(8.822,13.740)和13.038(11.365,15.699),其他危及器官的HD95%均位于2.638(2.341,2.812)至6.424(5.502,8.071)范围内。ResUNet++模型分割结果显示,直肠的3D-DSC较低,为0.792(0.707,0.855),其他危及器官的3D-DSC均位于0.929(0.876,0.950)至0.977(0.976,0.979)范围内;肝和膀胱的HD95%较高,分别为10.954(8.552,13.460)和13.114(11.066,16.664),其他危及器官的HD95%均位于2.640(2.161,3.029)至6.824(6.050,8.066)范围内。2种模型分割的肝、右肾3D-DSC比较,差异无统计学意义(P>0.05);2种模型分割的其他器官的3D-DSC比较,差异均有统计学意义(P<0.05)。UNet模型分割的左股骨头HD95%低于ResUNet++模型,差异有统计学意义(P<0.05);其余器官的HD95%比较,差异均无统计学意义(P>0.05)。结论UNet与ResUNet++模型均可进行宫颈癌放射治疗危及器官的自动分割,且UNet模型的整体分割效果好于ResUNet++模型。

基于复剪切波变换与VGG19模型的医学图像融合方法

针对传统医学图像融合方法存在的细节信息不够清晰、边缘信息易丢失和图像失真等缺点,以及深度学习网络缺乏足够的训练数据集等问题,提出了一种基于复剪切波变换和预训练网络模型VGG19的多模态医学图像融合方法。首先,利用复剪切波变换提取医学图像边缘和纹理信息,并得到多尺度、多方向的子带系数。然后,使用加权局部能量和修正的拉普拉斯算子对低频子带系数进行融合;引入预训练的VGG19提取多层特征图,结合加权评估规则来获取高频子带的融合结果。最后,对融合的高频和低频子带,施加复剪切波逆变换重构融合图像。实验表明,该方法得到的融合图像,不仅可以清晰地显示图像的细节信息和边缘信息,而且能够有效抑制伪影和失真现象的产生,在主观视觉比较和6种客观评价指标下能够达到更佳融合效果。

基于VGG16-Unet算法的扭角式压板分割识别方法

针对当前变电站人工巡检压板状态工作效率低,且现有扭角式压板图像识别效果不佳的问题,提出了一种基于VGG16 Unet语义分割模型的压板状态识别方法。首先设计了VGG16-Unet的网络模型结构,该模型结构包含主干特征提取网络部分、加强特征提取网络部分和预测网络部分,在网络的下采样和上采样过程中捕捉图像深层次语义特征和浅层次细节特征;其次定义了网络模型的Dice损失函数并分析4种性能评估函数检测压板识别效果;最后在1000张压板数据集试验中,该深度学习方法精确率高达98.6%,召回率92.2%,综合指标95.3%,平均交并比92.4%,与现有主流压板状态识别方法进行对比分析,结果显示本文方法具有更好的识别性能。

基于注意力机制的UNet模型的洪水SAR图像研究

洪水灾害的快速蔓延对社会构成了巨大威胁,因此高效而准确的洪水监测技术显得尤为重要。合成孔径雷达(SAR)图像由于其独特的穿透性和无视天气限制的特点,在洪水监测中发挥着关键作用。然而,由于SAR图像的复杂性和噪声,传统的图像分割方法在洪水SAR图像上的应用仍然具有挑战性。通过引入空间注意力机制对UNet模型进行了改进,提出了一个编码解码结构模型USANet,旨在提高其在洪水SAR图像分割任务中的精确度。改进的UNet模型通过在编码解码端分别引入注意力机制来有针对性地增强对洪水特征的感知能力。实验结果显示,改进的UNet模型相较于传统UNet在洪水SAR图像分割任务中取得了显著的性能提升。通过定量评估,验证了注意力机制在提高模型对洪水特征敏感性方面的有效性,为未来在遥感领域的相关研究和应用提供了有益的指导。

基于VGG16预训练模型的睑板腺缺失程度识别

建立基于VGG16预训练模型的睑板腺缺失程度识别系统.收集福建医科大学附属第二医院2015年1月至2020年12月2 000例患者的睑板腺图像.通过图像预处理、标注、裁剪等构建4 364张睑板腺MGH小数据集.利用VGG16的迁移学习方法,在小样本情况下进行睑板腺缺失程度识别,并探讨不同优化方法、学习率、迭代次数、批量大小、数据集划分比例对识别准确率的影响.当优化器为Adam、学习率为10-5、批量大小为60、迭代次数为100、训练集测试集比例为7∶3时,模型识别效果最好,准确率为90%,模型评估每张图不超于3 s.

基于改进UNet模型的截断脉冲高度估计器

针对测量系统本身导致的脉冲截断给脉冲高度分析带来的挑战,本研究提出一种复合神经网络模型,用于预测产生了截断的脉冲高度。该模型将长短期记忆模型(Long and Short-term Memory,LSTM)嵌入UNet结构,采用模拟脉冲数据集对模型进行训练,使用相对误差指标对模型性能进行评估。结果显示:在对模拟脉冲序列进行脉冲高度估计时,UNet-LSTM模型的平均相对误差约为2.31%,相较于传统的梯形成形算法的平均相对误差降低了1.91%;在粉末铁矿样品和粉末岩石样品的实际测量中,不同截断率的实测脉冲序列也进一步验证了UNet-LSTM模型的脉冲高度估计性能,在两种样品、8组离线脉冲序列的高度估计中得到的平均相对误差为2.36%,表明该模型可以准确估计截断脉冲的高度。

基于迁移学习和逻辑回归模型的花卉分类研究

【目的】不同种花卉之间的相似性以及同种花卉内部的多变性加大了花卉图像分类难度,其难点是要人工设计出能充分体现花卉颜色、形状和花瓣形态等特征的特征提取方法。传统的花卉图像分类方法的精度不高且模型的泛化能力较差,这些问题亟待解决。【方法】课题组提出一种基于数据增强的VGG16迁移学习卷积神经网络提取花卉图像特征,再训练多类逻辑回归模型的花卉图像分类识别方法;并且通过在flowers17和flowers102花卉数据集上进行测试,来验证课题组所提出的花卉分类识别方法的有效性。【结果】课题组所提出的花卉分类识别方法在flowers17和flowers102数据集中分别达到了97.89%和92.10%的分类精度,高于现有其他花卉图像分类方法。【结论】通过预训练的深度人工神经网络提取的高区分度的花卉图像特征,优于人工设定的花卉图像特征,能训练出更高效精准的花卉识别分类器。基于本研究内容,下一步可对VGG16网络进行降维改进,让模型参数减少,从而实现快速实时应用。

改进UNet++的杉木CT图像年轮分割

为解决裂纹、虫孔和节子等缺陷影响下的年轮准确分割问题。以医疗CT为实验设备,重构125张杉木横切面CT图像为研究对象,经裁切、旋转、翻转等预处理实现数据扩充,提出改进UNet++模型用于年轮分割。改进UNet++模型采用增加卷积块、下采样层、跳跃连接和上采样层的方式,将学习深度增加至6层,以BCEWithLogitsLoss和ReLU分别作为损失函数和激活函数,RMSProp作为优化函数,对杉木横切面CT图像进行年轮分割,并对年轮分割性能进行评价。结果显示:改进UNet++模型对于杉木横切面CT图像的年轮分割的像素准确率为97.81%,骰子系数为98.89%,交并比为95.29%,平均交并比为84.75%,充分提取杉木年轮特征,分割效果最好。与U-Net模型和UNet++模型相比,改进UNet++模型在多数年轮被裂纹和虫孔切割,无法形成完整圆形闭合曲线的条件下,使分割的年轮具有很好的完整性和连续性,消除分割过程中的断裂和噪声现象;年轮分割结果不受裂纹、节子、虫孔等缺陷影响,结构非常清晰,有效解决多种缺陷干扰下的虫孔误分割和密集年轮欠分割等问题。

基于LOFUnet深度卷积神经网络低序级断层多属性识别方法

低序级断层控制圈闭及油气富集,对油气勘探开发具有重要的意义。但其识别描述难度大、效率低,严重制约了该类油藏的勘探开发进程。随着人工智能的发展,深度学习为低序级断层识别提供了新的途径。这里在样本集构建及方法上都有创新之处:建立了同相轴错动、扭动、微扭动地震响应特征的低序级断层样本集,为智能识别奠定了良好的样本库;LOFUnet网络是在UNet基础上进行的改进,可以获取样本中更多低序级断层信息的特征。笔者通过方差属性、倾角属性和振幅属性融合获得新的断层体,用构建的LOFUnet网络进行低序级断层识别。网络通过残差块构建编码器端可以获取更多的低序级断层特征,解决梯度消失问题,提高模型的收敛速度,增强模型的稳定性以及低序级断层检测的精度和效率。选用正演模拟数据和实际地震数据分别对UNet模型、LOFUnet模型进行测试,结果表明,基于LOFUnet深度卷积神经网络低序级断层多属性识别方法提取的信息更加丰富,提高了低序级断层识别的准确度。

基于UNet++卷积神经网络的断层识别

针对传统相干体属性和机器学习在复杂断裂识别能力差的问题,提出一种基于UNet++卷积神经网络的断层识别方法。该方法采用加权交叉熵损失函数做目标函数,使网络模型训练过程中避免了数据样本不平衡的问题,引入注意力机制和密集卷积块,以及更多的跳跃连接,更好地实现深层次断层语义信息和浅层次断层空间信息之间的特征融合,进而可以使UNet++网络模型更好地实现断层识别。实验结果表明,该网络模型将F1值提高到了92.38%, loss降低到0.012 0,可以更好地学习断层特征信息。将该模型应用于西南庄断层的识别中,结果表明,该方法可以更准确预测断层位置,在识别连续断层的准确率上有所提高,有效防止了地下噪音对于断层识别的不利影响,从而验证了UNet++网络模型在断层识别上具有一定的研究价值。

基于SVDD与VGG的纽扣表面缺陷检测

为解决纽扣表面缺陷检测中人工效率低下,且无需对纽扣表面瑕疵进行分类的问题,提出一种基于DEEP SVDD与改进VGG16的纽扣表面缺陷检测模型。在VGG16中增加BN层加快网络收敛;为提升网络特征提取能力引入SE注意力模块;使用全局平局池化替代全连接层,减少模型参数量,使模型更加健壮。实验结果表明,改进后的模型在DEEP SVDD中的两种方法软边界及一类方法的AUC值分别提升7.7%、5.9%,均高于96%,单张检测时间仅4.5 ms,模型性能满足实际要求。

基于UNet模型的赛道识别算法研究

随着赛道识别问题不断升级,赛道识别的精确度需求大大提升,传统的赛道识别方法受环境变化的影响大。近几年来,深度学习方法在赛道识别方面也取得了很好的效果。本文就赛道识别问题提出了一种基于Keras的UNet模型的赛道识别方法,该方法是对赛道图像根据UNet模型训练结果进行分割,并用细化算法来识别中线,由此判断小车接下来的行径。最后,经实际对比实验测试,新方法识别时效性一般,识别准确率高。

基于纹理特征和改进VGG的家蚕蛹雌雄识别方法

【目的】针对蚕种培育中人工分蛹效率低且易受到主观因素影响的问题,提出一种基于纹理特征和改进VGG的家蚕Bombyx mori蛹雌雄识别方法。【方法】利用透射变换矫正蚕蛹方向,截取家蚕蛹头尾图,以B通道图作为轮廓提取的基础,通过道格拉斯-普克(Douglas-Peucker, DP)算法,分析轮廓复杂性从而识别并获取家蚕蛹尾部图;采取掩膜消除背景干扰,通过多通道的特征融合图加强纹理信息;对Inception模块进行改进,将残差网络与改进后的Inception模块加入VGG模型中;利用数据增强技术扩充数据集;以精确率(precision)、召回率(recall)、精确率和召回率的调和平均F1分值以及准确率(accuracy)作为评价指标,分别对3种输入图片以及4种识别模型进行评估对比。【结果】结果表明,特征融合图在改进VGG模型上的家蚕雌蛹的精确率、召回率和F1分值分别为98.017%, 94.794%和96.375%,雄蛹的精确率、召回率和F1分值分别为95.342%, 98.231%和96.762%,识别家蚕雌雄蛹的准确率为96.580%。特征融合图识别家蚕雌雄蛹的准确率比原始灰度图的提升了18.093%,改进VGG识别家蚕雌雄蛹的准确率比原始VGG的提升了2.257%。【结论】基于纹理特征和改进VGG的家蚕蛹雌雄识别方法能降低人工劳动时间,为实现家蚕蛹雌雄自动分拣提供基础。

基于MSHAM-UNet的岩心孔洞图像分割方法

岩心图像的孔洞分割对于石油勘探有着重要意义。当前基于深度学习的孔洞分割方法存在着孔洞边缘分割不连续、分割精度低和参数量大等问题,为解决上述问题,提出一种基于UNet网络的改进模型MSHAM-UNet。首先,针对UNet模型对不同尺度特征图的跳级连接带来的语义信息丢失问题,设计一种结合HAM(hybrid attention module)的多尺度融合注意力模块(multi-scale hybrid fusion attention module, MSHAM),该模块对带有空间信息的浅层特征图和含有语义信息的深层特征图进行注意力特征融合,增强网络聚合不同尺度信息的能力。其次,使用GP-bneck模块替换部分普通卷积,在降低模型参数量和加深网络的同时,增强网络特征提取能力。实验结果表明,MSHAM-UNet网络在岩心孔洞数据集上的F1分数(F1-score)、交并比(intersection over union, IoU)和平均交并比(mean intersection over union, MIoU)分别达到了87.35%、77.27%和90.21%,相较于原始模型提高了5.29%%、4.02%和4.84%,对比主流的语义分割模型也有较高提升,为岩心孔隙研究提供了新的思路。

基于Unet++分割模型的全自动高通量菌落计数仪

目的:研制满足检验检测机构管理体系要求和实验室LIMS系统应用的全自动高通量菌落计数仪。方法:采用GigE工业相机、可变镜头和多光源组合照明系统进行菌落图像的连续采集,并采用Unet++分割模型进行图像识别处理和菌落计数。结果:该菌落计数仪完成1个平板的图像采集仅需38 s,采集效率较高;完成1个平板的图像传输和菌落识别计数整个过程仅需3~5 s,数据处理速度快且传输性能好;计数结果与现行标准要求的计数方法相比误差<8%,准确率高;具有结果重复性好等特点,同时实现了菌落总数检测原始数据的自动化处理。结论:该设备不仅能高通量进行图像采集,自动进行图像处理和菌落计数,还可实现与实验室LIMS系统的融合,有效提高工作效率,而且能确保数据的溯源性,减轻试验人员工作强度,满足菌落总数计数方法的误差要求。

基于简化VGG模型的肺炎图像识别方法的研究

肺炎是一种广泛存在于全球的呼吸传染病,它会严重影响人们的生命和健康。因此,及时、准确地诊断肺炎对于预防和治疗疾病具有重要意义。目前,基于深度学习的肺炎图像识别方法已被广泛研究,并取得了较好的效果。本文提出了一种基于简化VGG模型的肺炎图像识别方法。该方法通过对VGG模型的简化,使得模型训练更快、耗费更少的资源,并且在准确率上并未大幅降低。实验结果表明,所设计的模型在训练时,每个epoch的训练时间大约为原VGG模型的1/3,同时,在测试数据集上的准确率也高达90%以上,表明该方法在肺炎图像识别方面具有很大的应用潜力。